Statistical learning modeling for mechanical behavior in torsion of a Twinning-induced plasticity steel

Los modelos de conjuntos de árboles y las redes neuronales son dos tipos de algoritmos modernos de aprendizaje automático para realizar predicciones con un bajo nivel de error. Los algoritmos de Potenciación del gradiente, Bosque aleatorio, Red neuronal y Red neuronal bayesiana se han aplicado con éxito en el contexto de la metalurgia física para modelar el comportamiento termomecánico mediante pruebas de torsión de un acero TWIP (Twinning-Induced Plasticity) impulsado por datos experimentales, en el intervalo de temperaturas 25◦C ≤ T ≤ 450◦C a tres velocidades de deformación equivalentes diferentes, ε˙, 1.4 · 10−3 , 0.1, 3.7 s −1 . La estrategia realizada partió de una etapa de preprocesamiento, la cual no solo permitió reducir los valores atípicos del conjunto de datos, sino de minimizar los patrones sistemáticos asociados a los errores existentes en las pruebas de torsión por su complejidad. Además, el enfoque de preprocesamiento ayudó a reducir el tiempo de cálculo en los procesos de entrenamiento. Después de preprocesar las dieciocho pruebas de torsión, se calcularon los cuatro modelos de aprendizaje. Vale la pena señalar, que partiendo del conjunto de datos de entrenamiento inicial se realizaron 5 repeticiones de remuestreo de validación cruzada con 10 iteraciones, obteniendo así excelentes resultados de predicción en los cuatro modelos. Sin embargo, de las cuatro técnicas se eligieron dos, el Bosque aleatorio y la Potenciación del gradiente como candidatas más viables, principalmente porque tuvieron unos excelentes resultados de predicción en todo el rango de tem peraturas, T, para las tres velocidades de deformación equivalentes. Por lo tanto, hay interesantes evidencias para considerar que el Bosque aleatorio y la Potenciación del gradiente pueden ser herramientas flexibles y precisas para realizar trabajos de predicción en el campo de la metalurgia física.

Tree ensemble models and Neural networks are two type of modern machine learning algorithms for making predictions with low errors. Gradient boosting machines, Random forest, Neural network and Bayesian neural network have successfully been applied in physical metallurgy context for modeling the thermo-mechanical behavior via torsion tests of a TWIP (Twinning-Induced Plasticity) steel, driven by experimental data in the interval of temperatures 25◦C ≤ T ≤ 450◦C at three different equivalent strain rates, ε˙, 1.4 · 10−3 , 0.1, 3.7 s −1 . The strategy carried out started with a preprocessing stage in which not only allowed to reduce the outliers from the dataset, but minimize the systematic patterns due to the existing errors in the torsion tests owing to its complexity. Furthermore, the preprocessing approach helped in terms of reducing the computation time in training processes. After preprocessing the eighteen torsion tests, the four learning models were computed. It is worthy to note, that the training dataset was resampled using 5 repeats of 10-fold cross-validation performing excellent prediction results in the four models. Nevertheless, two techniques, Random forest and Gradient boosting machines were chosen as most viable candidates, mainly because they performed excellent results predicted in the entire range of temperature and equivalent strain rates. Thus, there are interesting evidences to consider that Random Forest and Boosting gradient machine can be computed as flexible and accurate tools in the field of physical metallurgy.